# 未來如何改變我們閱讀過去：不是改寫歷史，而是重加權歷史相關性

**Retrospective Relevance: How Future Targets Reweight the Meaningful Past Without Rewriting History**

**Tri-Temporal Cognitive Dynamics — 三生認知耦合動力學系列**  
**TCD-06 / Coupling Paper III**

作者：Neo.K（許筌崴）  
協作形式化：Aletheia  
機構：一言諾科技有限公司（EveMissLab）  
日期：2026-08-17  
版本：v0.1  
狀態：TCD future-to-past epistemic coupling paper / retrospective relevance formalization

---

## Canonical Non-Identity Statement

TCD-05 已建立：

$$
\boxed{
\mathcal B_t^0
\rightarrow
\mathcal B_{t+1}^-.
}
$$

即：

> 現在的 action、未選 alternatives、dependencies、plasticity 與 provenance，會沉積成下一時刻的 Past Base Space。

本文進一步研究：

$$
\boxed{
\mathcal B_t^+
\rightarrow
\operatorname{Reweight}
(
\mathcal B_t^-
).
}
$$

但永久保留：

$$
\boxed{
\text{Historical Fact}
\neq
\text{Present Relevance of Historical Fact}.
}
$$

以及：

$$
\boxed{
\text{Reweighting the Past}
\neq
\text{Rewriting the Past}.
}
$$

本文不主張：

- 未來事件可以改變已發生的過去；
- 新目標可以讓舊證據變成它原本不是的證據；
- 歷史 relevance 越高，historical truth 越高；
- 當前目標有權任意重解所有歷史；
- memory retrieval 等於 historical truth；
- hindsight relabeling 等於 counterfactual history；
- 目標導向記憶一定避免偏見；
- Retrospective Relevance 等同心理學既有的 retrospective revaluation；
- 本文涉及任何物理 retrocausality。

---

# 摘要

Tri-Temporal Cognitive Dynamics 前五篇已建立三個時間底座與四條主要耦合：

$$
\boxed{
\mathcal B_t^-
\rightarrow
\mathcal B_t^0,
}
$$

表示 Past 對 Present 的 historical conditioning；

$$
\boxed{
(
\mathcal B_t^-,
\mathcal B_t^0
)
\rightarrow
\mathcal B_t^+,
}
$$

表示 Past 與 Present 共同生成 Future Base Space；

$$
\boxed{
\mathcal B_t^+
\rightarrow
\mathcal B_t^0,
}
$$

表示 future representation 經 valuation / policy 形成 Prospective Attraction；

以及：

$$
\boxed{
\mathcal B_t^0
\rightarrow
\mathcal B_{t+1}^-,
}
$$

表示 present action 透過 Historical Sedimentation 變成下一時刻的 Past。

本文處理第五種、更微妙的 coupling：

> **當一個新的 future target、future hypothesis、future threat 或 future construction candidate 出現時，為什麼過去某些原本不重要的事件突然變得重要？**

本文的答案是：

$$
\boxed{
\text{Past content may remain fixed while Past relevance changes}.
}
$$

為避免「改變歷史」的錯誤語言，本文將 Past Base Space 拆成兩層：

$$
\boxed{
\mathcal B_t^-
=
(
\mathcal H_t^{prov},
\mathbf w_t^{-}
).
}
$$

其中：

- $\mathcal H_t^{prov}$：Historical Provenance Layer，保存 actual events、choices、alternatives、dependencies、decision provenance、version / timestamp / evidence；
- $\mathbf w_t^{-}$：Retrospective Relevance Weights，表示在目前 task、future target、query 與 agent state 下，哪些歷史單元值得被提取、比較、重建、驗證或重新啟用。

對歷史單元：

$$
h_i
\in
\mathcal H_t^{prov},
$$

定義：

$$
\boxed{
w_t^-(h_i
\mid
R_t^+,
q_t,
\kappa_R)
=
\mathcal R_-
\left(
h_i,
R_t^+,
q_t,
\kappa_R
\right),
}
$$

其中：

- $R_t^+$：當前 future representation；
- $q_t$：當前 retrospective query / task；
- $\kappa_R$：relevance contract。

因此 active retrospective view 為：

$$
\boxed{
\mathcal B_{t}^{-,act}
(
R_t^+,q_t
)
=
\left\{
(
h_i,w_t^-(h_i)
)
\right\}.
}
$$

同一 historical archive：

$$
\mathcal H_t^{prov}
$$

在不同 future target 下可以產生不同 active past：

$$
\boxed{
\mathcal B_t^{-,act}(f_1)
\neq
\mathcal B_t^{-,act}(f_2).
}
$$

但同時：

$$
\boxed{
\mathcal H_t^{prov}(f_1)
=
\mathcal H_t^{prov}(f_2)
}
$$

應在沒有新 evidence 的情況下保持。

本文將 relevance 至少分成七類：

1. **Causal Relevance**：歷史事件是否為 candidate 的 causal ancestor / bottleneck；
2. **Dependency Relevance**：是否建立仍存在的 dependency / lock-in；
3. **Analogical Relevance**：是否與新 future candidate 具有可辯護 structural analogy；
4. **Failure Relevance**：是否包含過往失敗、近失敗或被忽略風險；
5. **Alternative Relevance**：是否包含未選、lost、recoverable 或 dormant path；
6. **Evidence Relevance**：是否能提高／降低當前 future hypothesis 的 evidence；
7. **Option-Reopening Relevance**：是否因新 capability / target 而使 archived path 再次可行。

因此可寫：

$$
\boxed{
\mathbf w_t^-(h)
=
(
w_C,
w_D,
w_A,
w_F,
w_O,
w_E,
w_R
).
}
$$

這些 weights 不等於 truth probability，而是：

> **在目前 prospective task 下，值得投入多少 retrieval / verification / simulation / attention budget。**

本文並提出 **Future-Conditioned Historical Retrieval**：

$$
\boxed{
\operatorname{Retrieve}_t^-
=
\operatorname{TopK}
\left(
\mathcal H_t^{prov},
w_t^-
\right).
}
$$

其本質不是：

> 把過去改成對未來有利的故事。

而是：

> 在龐大的歷史 archive 中，根據目前 future problem 找出可能有用的 past states、dependencies、alternatives、failures 與 evidence。

本文特別加入 **Adversarial Retrospective Retrieval**。若 future candidate：

$$
f
$$

只提高支持自身的 past evidence：

$$
w^+(h\mid f)
$$

而降低反例／失敗歷史：

$$
w^-(h\mid f),
$$

就可能形成 confirmation-driven historical narrative。

因此 TCD-06 要求至少建立兩組 retrieval：

$$
\boxed{
\mathcal H_t^{support}(f)
}
$$

與：

$$
\boxed{
\mathcal H_t^{counter}(f),
}
$$

並保留：

$$
\boxed{
\mathcal H_t^{alternative}(f)
}
$$

用來檢查：

- supporting lineage；
- disconfirming history；
- failed precedents；
- alternative causal ancestry；
- path-dependent confounds。

本文亦建立 **Historical Reactivation**。若歷史單元：

$$
h
$$

原本：

$$
w_{t_0}^-(h)\approx0,
$$

但新 future target：

$$
f
$$

出現後：

$$
w_{t_1}^-(h\mid f)\gg0,
$$

則稱：

$$
\boxed{
h:
DormantPast
\rightarrow
ActivePast.
}
$$

這不是 $h$ 的 historical content 改變，而是：

$$
\boxed{
\text{its current decision relevance changed}.
}
$$

外部研究提供了幾個非常清楚的相鄰形式。Mattar 與 Daw 的 normative replay theory 明確提出，記憶不應等機率被存取，而應依「對未來決策能帶來多少額外 reward」的 utility 來優先 replay；其 need 與 gain decomposition 正是一種 future-decision-conditioned memory prioritization。Momennejad 等人的人類 fMRI revaluation 實驗進一步顯示，當後段 reward information 改變時，過去遠端 states 的 offline replay 與後續 replanning 相關，說明新資訊可使先前 episode 被重新提取與整合以更新 policy。Prioritized Experience Replay 則在工程上明確把 past transitions 從 uniform replay 改成按 importance 優先取樣；Hindsight Experience Replay 更直接把同一已發生 trajectory 在不同 goal labeling 下重新賦予 learning relevance，使「事實 trajectory 不變，但它對哪個 goal 有用」發生改變。

這些研究都不等於 TCD-06，但共同支持一個有限、可操作的命題：

$$
\boxed{
\text{past information can be selectively re-accessed or reweighted according to current/future decision needs}.
}
$$

本文最後提出：

$$
\boxed{
\textbf{The future does not rewrite the past; it changes which parts of the past become causally, evidentially, analogically, or strategically relevant now.}
}
$$

中文：

> **未來不改寫過去；未來改變的是，過去哪些部分在現在重新成為因果上、證據上、類比上或策略上重要。**

下一篇 TCD-07 將把六種耦合正式統一：

# **Six-Way Temporal Coupling**
## **Past–Present–Future 六向認知耦合與時間位移算子**

並第一次建立：

$$
\boxed{
(
\mathcal B_t^-,
\mathcal B_t^0,
\mathcal B_t^+
)
\rightarrow
(
\mathcal B_{t+1}^-,
\mathcal B_{t+1}^0,
\mathcal B_{t+1}^+
).
}
$$

**關鍵詞：** Retrospective Relevance、Goal-Conditioned Retrieval、Memory Replay、Hindsight Experience Replay、Prioritized Replay、Historical Reweighting、Confirmation Bias、Tri-Temporal Cognitive Dynamics、UCPNP

---

# 1. 為什麼新的未來會讓舊歷史突然「變重要」？

假設一個 archive 有：

$$
10^6
$$

個 historical units。

今天新出現一個 research target：

$$
f.
$$

我們不可能把：

$$
10^6
$$

個事件全部等成本重新分析。

因此需要：

$$
\boxed{
\text{relevance allocation}.
}
$$

---

# 2. Past Content 與 Past Relevance

本文正式拆：

$$
\boxed{
\mathcal H_t^{prov}
}
$$

與：

$$
\boxed{
\mathbf w_t^-.
}
$$

---

# 3. Provenance Layer

$$
\mathcal H_t^{prov}
$$

保存：

- actual event；
- actual choice；
- timestamp；
- version；
- dependencies；
- alternatives；
- reason provenance；
- evidence source；
- uncertainty。

---

# 4. Relevance Layer

$$
\mathbf w_t^-
$$

回答：

> 在現在這個 future-oriented task 下，哪些 history 應優先進入 active cognition？

---

# 5. Stable Fact Invariant

若沒有新 evidence：

$$
\boxed{
h_i^{content}(t_0)
=
h_i^{content}(t_1).
}
$$

---

# 6. Dynamic Relevance

但：

$$
\boxed{
w_{t_0}^-(h_i)
\neq
w_{t_1}^-(h_i)
}
$$

完全可以。

---

# 7. 新證據可以改 Historical Belief，但不是本文主要箭頭

如果：

$$
E_{new}
$$

證明舊 record 錯，

可以：

$$
Belief(h)
$$

更新。

這是 evidence revision。

---

# 8. Retrospective Relevance 不要求 Historical Belief 更新

它可以在：

$$
Belief(h)
$$

完全不變時發生。

---

# 9. Example

過去某 codebase：

$$
h_1:
\text{一個不起眼的 state-persistence hack}.
$$

當時沒被重視。

多年後目標變成：

$$
f:
\text{persistent world runtime}.
$$

則：

$$
w^-(h_1\mid f)\uparrow.
$$

事件本身沒有變。

---

# 10. Relevance Operator

定義：

$$
\boxed{
\mathcal R_-:
(
h_i,
R_t^+,
q_t,
\kappa_R
)
\rightarrow
\mathbf w_i.
}
$$

---

# 11. $R_t^+$ 來自 TCD-04

包括：

- future candidate；
- probability；
- realization path；
- target；
- risk；
- unknown future mass。

---

# 12. $q_t$ 是 Retrospective Query

例如：

> 過去哪些事件是這個 future candidate 的技術祖先？

或：

> 哪些過去失敗最可能反駁它？

---

# 13. $\kappa_R$ 是 Relevance Contract

至少可指定：

- time range；
- domain；
- provenance quality；
- retrieval budget；
- observer；
- relevance type；
- evidence threshold。

---

# 14. Relevance Is Typed

本文不用：

$$
w(h)\in\mathbb R
$$

作唯一形式。

更推薦：

$$
\boxed{
\mathbf w(h)
=
(
w_C,w_D,w_A,w_F,w_O,w_E,w_R
).
}
$$

---

# 15. Causal Relevance

$$
w_C(h)
$$

問：

> $h$ 是否是現在 future candidate 的 causal / enabling ancestor？

---

# 16. Dependency Relevance

$$
w_D(h)
$$

問：

> $h$ 是否建立目前仍存在的 dependency / lock-in / path constraint？

---

# 17. Analogical Relevance

$$
w_A(h)
$$

問：

> $h$ 是否具有可 defensibly transfer 的 structural analogy？

---

# 18. Failure Relevance

$$
w_F(h)
$$

問：

> $h$ 是否包含同類 attempt 的 failure / near miss / hidden risk？

---

# 19. Alternative Relevance

$$
w_O(h)
$$

問：

> $h$ 是否保存當時未選／lost／recoverable alternatives？

---

# 20. Evidence Relevance

$$
w_E(h)
$$

問：

> $h$ 是否支持或反駁當前 future proposition？

---

# 21. Reopening Relevance

$$
w_R(h)
$$

問：

> 一個以前不可用 path 是否因新 capability / resource / representation 而重新可行？

---

# 22. Relevance 不等於 Value

一個負面失敗案例：

$$
V(h)<0
$$

但：

$$
w_F(h)\gg0.
$$

它對 decision 非常重要。

---

# 23. Relevance 不等於 Similarity

語義很像：

$$
sim(h,f)\gg0
$$

但：

$$
w(h)\approx0
$$

完全可能。

---

# 24. Similarity Trap

如果 retrieval 只按 embedding similarity，

很容易找到：

> 文字很像，

但因果／制度／工程關係很弱的 past。

---

# 25. Relevance May Require Structural Mapping

因此：

$$
\boxed{
\text{semantic similarity}
\neq
\text{retrospective relevance}.
}
$$

---

# 26. Active Past

定義：

$$
\boxed{
\mathcal B_t^{-,act}(f)
=
\operatorname{TopK}_{h\in\mathcal H_t^{prov}}
\mathbf w_t^-(h\mid f).
}
$$

---

# 27. Same Archive, Different Active Past

$$
\boxed{
\mathcal H_t^{prov}
\text{ fixed}
}
$$

但：

$$
\boxed{
\mathcal B_t^{-,act}(f_1)
\neq
\mathcal B_t^{-,act}(f_2).
}
$$

---

# 28. 這就是 Retrospective Relevance 的核心

不是改：

$$
Past.
$$

而是改：

$$
\boxed{
\text{active projection of Past}.
}
$$

---

# 29. Retrieval Budget

給：

$$
B_R,
$$

要求：

$$
\boxed{
\sum_i
Cost(
Retrieve(h_i)
)
\le
B_R.
}
$$

---

# 30. Relevance Allocation

因此：

$$
\boxed{
\alpha_i^-
=
\frac{
w_i
}{
\sum_j w_j
}
B_R
}
$$

可作簡化 attention allocation。

---

# 31. 不是所有 Past 都應等成本被回憶

這正是外部 replay literature 的重要相鄰點。

---

# 32. Mattar–Daw Prioritized Memory Access

Mattar 與 Daw 提出：

> 哪些 memories 應在當下被 access，可以按它們對未來 decision improvement 的 utility 排序。

---

# 33. Gain

其理論中的 gain 大意是：

> replay 某 experience 後，policy improvement 能帶來多少額外 value。

---

# 34. Need

need 反映：

> 未來 decision 過程有多可能回到／需要該 state。

---

# 35. TCD 對照

這提供非常乾淨的形式鄰接：

$$
\boxed{
\text{future decision need}
\rightarrow
\text{past memory priority}.
}
$$

---

# 36. 但 TCD 不等於 Hippocampal Replay Theory

TCD scope 還包含：

- software；
- research；
- institutions；
- long-term AI agents；
- technology history。

---

# 37. Offline Replay and Revaluation

Momennejad 等人的實驗：

後段 reward 改變後，

需要重新整合較早的 states 才能改變最初 choice。

---

# 38. Offline Replay

研究發現：

> 過去較早 state 的 offline replay 與後續 replanning 相關。

---

# 39. TCD 對照

$$
\boxed{
\text{new value information}
\rightarrow
\text{retrieve distal past}
\rightarrow
\text{replan present}.
}
$$

---

# 40. 這仍不是 Past Fact Rewrite

被 replay 的 episode：

$$
h
$$

沒有變。

改的是：

$$
\boxed{
\text{its use in current planning}.
}
$$

---

# 41. Prioritized Experience Replay

普通 replay：

$$
P(h_i)=\frac1N.
$$

PER：

$$
\boxed{
P(h_i)
\propto
Priority(h_i).
}
$$

---

# 42. Importance Changes Over Learning

某 transition 的 TD error 改變，

其 replay priority 也會改變。

---

# 43. TCD 對照

past transition 不變，

但：

$$
\boxed{
\text{learning relevance}
}
$$

會隨 current value function 改變。

---

# 44. Hindsight Experience Replay

HER 保存同一 actual trajectory：

$$
\tau.
$$

但可以重新指定：

$$
\boxed{
\text{goal}.
}
$$

---

# 45. Goal Relabeling

原本 trajectory 對：

$$
g_1
$$

是 failure。

但對 hindsight goal：

$$
g_2
$$

可以成為 success experience。

---

# 46. TCD 最重要的 HER 對照

$$
\boxed{
\text{trajectory fact fixed}
+
\text{goal changed}
\rightarrow
\text{learning relevance changed}.
}
$$

---

# 47. 但 HER 不等於「歷史被改寫」

原 trajectory：

$$
\tau
$$

仍然完全相同。

---

# 48. Goal-Conditioned Past

因此本文定義：

$$
\boxed{
\mathcal B_t^-(g)
}
$$

表示：

> 相對 goal / target $g$ 的 active historical projection。

---

# 49. Future Candidate as Goal-Like Query

future candidate：

$$
f
$$

也可以扮演：

$$
\boxed{
\text{retrospective retrieval key}.
}
$$

---

# 50. Example: Future Architecture

若：

$$
f=
\text{world-native robot OS},
$$

past retrieval 可以重新找：

- persistent simulation；
- robotics middleware；
- world models；
- actor systems；
- digital twins；
- event sourcing；
- embodiment failures。

---

# 51. 不是因為它們以前「其實就是那個理論」

而是：

> 新 future candidate 提供了一個新的 comparison / lineage query。

---

# 52. Historical Precursor

定義：

$$
\boxed{
Precursor(h,f)
}
$$

不是：

$$
h=f.
$$

而是：

> $h$ 是否包含 future candidate $f$ 的可辯護 structural precursor。

---

# 53. Precursor Strength

可由：

$$
\boxed{
P_s(h,f)
=
g(
MechanismOverlap,
Dependency,
Chronology,
Independence
).
}
$$

---

# 54. Chronology 必須滿足

如果：

$$
time(h)>time(f_{proposal}),
$$

不能把後來事件當早期 precursor。

---

# 55. Retrospective Contamination

未來發生後，

人很容易回頭挑：

> 看起來像先兆的歷史。

---

# 56. Selection Bias

如果只挑支持 narrative 的 past：

$$
\boxed{
\text{retrospective cherry-picking}.
}
$$

---

# 57. 所以需要 Adversarial Retrospective Retrieval

對 future candidate：

$$
f,
$$

同時找：

$$
\boxed{
\mathcal H^{support}(f)
}
$$

與：

$$
\boxed{
\mathcal H^{counter}(f).
}
$$

---

# 58. Support Retrieval

找：

- enabling predecessors；
- supporting empirical trends；
- successful analogies；
- dependencies already emerging。

---

# 59. Counter Retrieval

找：

- failed analogues；
- incompatible evidence；
- abandoned approaches；
- hidden costs；
- earlier forecasts that failed；
- stronger alternative explanations。

---

# 60. Alternative Retrieval

另外：

$$
\boxed{
\mathcal H^{alt}(f)
}
$$

找：

> 過去是否有其他 path 也能解釋現在？

---

# 61. Three-Way Historical Audit

$$
\boxed{
\mathcal H^{support}
\oplus
\mathcal H^{counter}
\oplus
\mathcal H^{alt}.
}
$$

---

# 62. Future Narrative Capture

如果：

$$
f
$$

很有吸引力，

agent 可能把所有 past 都硬拼成：

> 一切早已指向 $f$。

---

# 63. 這是 Narrative Capture

定義：

$$
\boxed{
C_{narr}(f)
}
$$

表示 future hypothesis 對 historical interpretation 的過度捕獲。

---

# 64. Narrative Capture Detection

若：

- support retrieval 很大；
- counter retrieval 被壓低；
- alternative histories 消失；
- weak analogies 被升格 precursor；

則：

$$
C_{narr}\uparrow.
$$

---

# 65. Historical Relevance Must Be Evidence-Bounded

所以：

$$
\boxed{
w_t^-(h\mid f)
\le
g(
Evidence(h),
StructuralMatch,
CausalPlausibility
).
}
$$

---

# 66. Relevance 不能靠 Story Beauty

一個漂亮故事：

$$
\boxed{
\text{coherent}
}
$$

不代表：

$$
\boxed{
\text{historically supported}.
}
$$

---

# 67. Historical Reactivation

如果：

$$
h
$$

原來在 archive：

$$
w_{t_0}(h)\approx0,
$$

新 target 出現：

$$
w_{t_1}(h)\gg0,
$$

稱：

$$
\boxed{
\text{reactivation}.
}
$$

---

# 68. Reactivation 不等於 New Fact

$$
\boxed{
\text{Reactivated Past}
\neq
\text{Newly Occurred Past}.
}
$$

---

# 69. Dormant Knowledge

過去某 skill / theory / branch：

$$
h
$$

可能長期 unused。

---

# 70. New Future Reopens It

若新 future target 讓：

$$
h
$$

重新 useful，

則：

$$
\boxed{
Dormant
\rightarrow
Active.
}
$$

---

# 71. TCD-05 的 Archive / Active Past 在這裡真正有用

TCD-05 已分：

$$
\mathcal B_t^{-,active}
$$

與：

$$
\mathcal B_t^{-,archive}.
$$

TCD-06 提供：

$$
\boxed{
\text{archive}
\rightarrow
\text{reactivation}
}
$$

的 trigger。

---

# 72. Reactivation Operator

定義：

$$
\boxed{
\mathsf{React}_t:
(
\mathcal B_t^{-,archive},
R_t^+
)
\rightarrow
\Delta\mathcal B_t^{-,active}.
}
$$

---

# 73. Archived Past Can Be More Important Than Recent Past

relevance 不必按：

$$
recency.
$$

---

# 74. Recency Bias

若 retrieval 永遠偏：

$$
t-1,t-2,
$$

可能錯過：

> 很久以前但結構上更相關的 predecessor。

---

# 75. Temporal Distance Penalty 不應是唯一排序

$$
\boxed{
Recency
\neq
Relevance.
}
$$

---

# 76. Future-Driven Long-Range Retrieval

一個 20 年 future target，

可能讓 15 年前 archive 重新變 relevant。

---

# 77. Retrospective Horizon

定義：

$$
\boxed{
H_R(f)
}
$$

表示：

> 為評估 future candidate $f$，合理回看多遠的 past？

---

# 78. 不同 Future 有不同 Historical Depth

$$
\boxed{
H_R(f_1)
\neq
H_R(f_2).
}
$$

---

# 79. Task-Relative Historical Depth 再出現

這直接承接《歷史作為狀態變量》的：

$$
D_{\mathrm{hist}}^{(T,\epsilon)}.
$$

---

# 80. Future Candidate Can Change Historical Depth

新 future：

$$
f
$$

可能要求把：

$$
D_{hist}
$$

從：

$$
2\text{ years}
$$

擴到：

$$
20\text{ years}.
$$

---

# 81. Retrospective Evidence Packet

對每個 retrieved history：

```text
history_id
timestamp
source
original_context
future_query
relevance_type
relevance_score
support_or_counter
structural_mapping
causal_claim
confidence
alternative_explanations
provenance_integrity
```

---

# 82. Original Context Must Be Preserved

不能只截：

> 一句看起來支持 future 的話。

---

# 83. Context Drift

如果把 historical statement 從原 context 拔出：

$$
\boxed{
\text{context drift}.
}
$$

---

# 84. Historical Semantic Integrity

要求：

$$
\boxed{
Meaning_t(h\mid original\ context)
}
$$

與新的引用解讀分開。

---

# 85. Reinterpretation Layer

可以有：

$$
\boxed{
Interpret_t(h\mid f).
}
$$

但必須標：

> 這是今天的 interpretation，不是當年原作者的 intended meaning。

---

# 86. Authorial Intent vs Structural Relevance

某 past artifact：

$$
h
$$

原作者從沒想過：

$$
f.
$$

但 $h$ 仍可能 structural precursor。

所以：

$$
\boxed{
AuthorIntent
\neq
StructuralRelevance.
}
$$

---

# 87. 反過來 Intent 相同也不保證 Relevance

有人當年聲稱：

> 這一定是 future AGI architecture。

但今天看來 mechanism 無關，

則：

$$
w(h\mid f)\downarrow.
$$

---

# 88. Historical Claim Revaluation

注意：

本文的 Retrospective Relevance 與心理學：

$$
\boxed{
\text{retrospective revaluation}
}
$$

不同。

---

# 89. Retrospective Revaluation

心理學通常指：

> 後來改變某 related cue / outcome 的 associative value，造成 earlier cue response 重估。

---

# 90. TCD Retrospective Relevance

則是：

> future-oriented query 改變 historical information 的 current relevance / retrieval / audit priority。

---

# 91. 兩者可以相鄰，但不等同

$$
\boxed{
RetrospectiveRelevance_{TCD}
\neq
RetrospectiveRevaluation_{learning}.
}
$$

---

# 92. Relevance Can Be Negative

有些 historical item：

$$
h
$$

對 future candidate：

$$
f
$$

是：

$$
\boxed{
\text{negative evidence}.
}
$$

---

# 93. Signed Relevance

可定義：

$$
\boxed{
w_E(h\mid f)
\in
[-1,1].
}
$$

positive support / negative counterevidence。

---

# 94. Attention Weight 與 Evidence Sign 分開更好

更嚴格可用：

$$
\boxed{
(
\alpha(h),
s(h)
)
}
$$

其中：

- $\alpha\ge0$：值得多少 attention；
- $s\in[-1,1]$：support direction。

---

# 95. A Strong Counterexample Has High Attention but Negative Sign

$$
\boxed{
\alpha\gg0,
\qquad
s<0.
}
$$

---

# 96. This Prevents Relevance = Support Bias

非常重要：

$$
\boxed{
\text{Relevant}
\neq
\text{Supportive}.
}
$$

---

# 97. Prospective Relevance Matrix

對 future candidates：

$$
f_1,\ldots,f_m
$$

和 history：

$$
h_1,\ldots,h_n,
$$

定義：

$$
\boxed{
W_t^{-+}
=
[
w(h_i,f_j)
]_{n\times m}.
}
$$

---

# 98. 這是一個 Cross-Time Bipartite View

左側：

$$
Past.
$$

右側：

$$
Future.
$$

edge weight：

$$
\boxed{
\text{current relevance}.
}
$$

---

# 99. Edge 可以改，節點 Past Fact 不必改

這是本篇最重要的幾何直覺。

---

# 100. Relevance Graph

定義：

$$
\boxed{
G_t^{-+}
=
(
V^-,
V^+,
E^{-+}
).
}
$$

---

# 101. New Future Candidate Adds New Edges

新增：

$$
f_{m+1}
$$

會生成：

$$
\boxed{
\{
(h_i,f_{m+1},w_i)
\}.
}
$$

---

# 102. Historical Archive Gains New Meaning Without Changing Content

這就是：

$$
\boxed{
\text{semantic / functional re-indexing}.
}
$$

---

# 103. Scientific Research Example

新 theory：

$$
f
$$

出現後，

researcher 回查：

- old anomalies；
- discarded measurements；
- failed experiments；
- old methods。

---

# 104. 一個過去 anomaly 可以因新 theory 重新變重要

不是 anomaly 當年改變。

而是：

$$
\boxed{
w_t(anomaly\mid f)\uparrow.
}
$$

---

# 105. Software Example

新 architecture：

$$
f
$$

出現後，

old prototype 中被當 workaround 的 feature：

$$
h
$$

可能被重新辨識成 useful primitive。

---

# 106. Institution Example

新 policy target：

$$
f
$$

可能讓過去某制度失敗案例：

$$
h
$$

重新成為重要 precedent。

---

# 107. Personal / Human Example

新 career target：

$$
f
$$

可能讓十年前某 skill：

$$
h
$$

重新 relevant。

---

# 108. 但 TCD 不需要把所有例子心理化

同樣 operator 可用於：

- AI memory；
- research archive；
- codebase；
- institutional database。

---

# 109. Retrospective Relevance Can Change Present Policy

完整鏈：

$$
\boxed{
R_t^+
\rightarrow
w_t^-
\rightarrow
Retrieve(
\mathcal B_t^-
)
\rightarrow
\pi_t.
}
$$

---

# 110. 所以 Future 可經兩條路影響 Present

第一：

$$
\boxed{
R_t^+
\rightarrow
V_t
\rightarrow
\pi_t.
}
$$

TCD-04。

---

# 111. 第二：

$$
\boxed{
R_t^+
\rightarrow
Reweight(Past)
\rightarrow
Retrieve
\rightarrow
\pi_t.
}
$$

TCD-06。

---

# 112. 這是 Future–Past–Present Indirect Loop

$$
\boxed{
\mathcal B_t^+
\rightarrow
\mathcal B_t^-
\rightarrow
\mathcal B_t^0
}
$$

但第一箭頭只改 relevance view，

不改 historical facts。

---

# 113. Past Also Changes Future

TCD-03 已有：

$$
\boxed{
\mathcal B_t^-
\rightarrow
\mathcal B_t^+.
}
$$

---

# 114. 所以 Past–Future 是雙向 Epistemic Coupling

$$
\boxed{
\mathcal B_t^-
\rightleftarrows
\mathcal B_t^+.
}
$$

但兩邊的 operator 不同：

- Past $\rightarrow$ Future：historical projection / generation；
- Future $\rightarrow$ Past：retrospective relevance reweighting。

---

# 115. 不是 Symmetric Causation

$$
\boxed{
P\rightarrow F
\neq
F\rightarrow P.
}
$$

---

# 116. P→F Changes Candidate Generation

history influences what future can be generated.

---

# 117. F→P Changes Retrieval / Relevance

future target influences which history is activated.

---

# 118. Historical Relevance Feedback

若 retrieved past：

$$
h
$$

又改變 future candidate：

$$
f,
$$

形成：

$$
\boxed{
f_t
\rightarrow
h_t
\rightarrow
f_{t+1}.
}
$$

---

# 119. This Is Iterative Hypothesis Revision

例如：

1. 生成 future architecture；
2. 回查 past failures；
3. 發現 hidden constraint；
4. 修改 future architecture。

---

# 120. Retrospective Relevance Is Therefore Generative

它不只：

> 找歷史。

它可能：

$$
\boxed{
\text{retrieve}
\rightarrow
\text{reinterpret}
\rightarrow
\text{regenerate future}.
}
$$

---

# 121. But Reinterpretation Must Preserve Provenance

永遠保留：

$$
\boxed{
Original(h)
}
$$

與：

$$
\boxed{
Interpret_t(h\mid f).
}
$$

分開。

---

# 122. Relevance Drift

當 future candidate 不斷更新：

$$
f_t\rightarrow f_{t+1},
$$

past weights：

$$
w_t\rightarrow w_{t+1}.
$$

---

# 123. Retrospective Relevance Trajectory

定義：

$$
\boxed{
\mathcal W_h
=
\{
w_{t_0}(h),
w_{t_1}(h),
\dots
\}.
}
$$

---

# 124. Why Preserve Weight History?

可以看：

> 某 past item 何時突然被視為關鍵？

---

# 125. This Helps Detect Narrative Retrofitting

如果：

$$
w(h)
$$

只在 outcome 發生後暴增，

但 ex ante 從沒被選中，

就不能說：

> 我們早就知道它是 precursor。

---

# 126. Prospective Historical Registration

若一個 future candidate 在 $t$ 提出，

可以當場凍結：

$$
\boxed{
\mathcal H_t^{relevant}(f).
}
$$

---

# 127. Future Resolution 後再比

比較：

$$
\mathcal H_t^{relevant}
$$

與：

$$
\mathcal H_H^{posthoc}.
$$

---

# 128. Hindsight Expansion

如果 posthoc relevant set 大量新增：

$$
\boxed{
\Delta H_{hind}.
}
$$

---

# 129. 這可以量 Hindsight Bias

不一定叫心理學 bias，

而是 structural retrospective expansion。

---

# 130. Benchmark A — Goal-Conditioned Retrieval

同一 archive：

$$
\mathcal H.
$$

給不同 future goals：

$$
f_1,f_2.
$$

測 retrieved history 是否合理分化。

---

# 131. Benchmark B — Fact-Preservation

改 future target，

確認 historical content / hash / timestamp 不變，

只改 relevance layer。

---

# 132. Benchmark C — Support vs Counter Retrieval

對 candidate：

$$
f,
$$

要求同時 retrieve：

- support；
- counter；
- alternative。

測 confirmation capture。

---

# 133. Benchmark D — Dormant Reactivation

archive 中放一個早期低權重但真正重要 precursor。

新 future target 出現後，

測能否 reactivation。

---

# 134. Benchmark E — HER-Like Relabeling

固定同一 trajectory：

$$
\tau.
$$

改 goal：

$$
g_1\rightarrow g_2.
$$

測其 learning relevance 如何變化。

---

# 135. Benchmark F — Replay Priority

固定 past transitions。

只改 current value / goal / uncertainty。

測 priority ordering 是否改變。

---

# 136. Benchmark G — Historical Failure Retrieval

future candidate 看似 plausible，

但 archive 中存在 old failure。

測 retrieval 是否找到反例。

---

# 137. Benchmark H — Precursor Calibration

在 historical backtest 中，

先用當時 evidence 選 precursor set，

再看 future resolution。

防止事後 cherry-pick。

---

# 138. Benchmark I — Retrospective Narrative Attack

故意提供：

> 一個很漂亮但錯誤的 future theory。

測 system 是否把無關 past 強行解讀成 precursor。

---

# 139. Retrospective Relevance Principle

本文提出：

$$
\boxed{
\textbf{Retrospective Relevance Principle}
}
$$

> **新的 future target 可以改變歷史資訊在現在的 retrieval、attention、evidence、analogy 與 planning priority，但不應因此改變 historical fact 本身。**

---

# 140. Fact–Weight Separation Principle

$$
\boxed{
\textbf{Fact–Weight Separation Principle}
}
$$

> **Past provenance layer 與 current relevance layer 必須可區分、可 version、可 audit。**

---

# 141. Relevant Is Not Supportive Principle

$$
\boxed{
\textbf{Relevant Is Not Supportive}
}
$$

> **反例、失敗、替代 ancestry 與 hidden cost 都可能是高 relevance historical items；retrieval 不能把 relevance 偷換成 support score。**

---

# 142. Adversarial Historical Retrieval Principle

$$
\boxed{
\textbf{Adversarial Historical Retrieval Principle}
}
$$

> **對重要 future candidate，應同時搜尋 supporting、counterevidential 與 alternative historical lineages，防止 future narrative capture。**

---

# 143. Historical Reactivation Principle

$$
\boxed{
\textbf{Historical Reactivation Principle}
}
$$

> **一個 archived historical unit 即使多年低 relevance，只要新 capability、target 或 representation 使其重新具有決策價值，就可以從 dormant past 重新進入 active past。**

---

# 144. TCD 已有的六向結構雛型

目前已可辨識：

$$
\boxed{
P\rightarrow N
}
$$

Past $\rightarrow$ Present：

Historical Conditioning。

---

# 145. Present→Future

$$
\boxed{
N\rightarrow F
}
$$

Future Generation。

---

# 146. Future→Present

$$
\boxed{
F\rightarrow N
}
$$

Prospective Attraction。

---

# 147. Present→Past

$$
\boxed{
N\rightarrow P
}
$$

Historical Sedimentation。

---

# 148. Past→Future

$$
\boxed{
P\rightarrow F
}
$$

Historical Projection / Future Generation from history。

---

# 149. Future→Past

$$
\boxed{
F\rightarrow P
}
$$

Retrospective Relevance。

---

# 150. 這六條不是同一種箭頭

有些是：

- state construction；
- candidate generation；
- valuation coupling；
- sedimentation；
- relevance reweighting。

所以：

$$
\boxed{
\text{same diagram edge}
\neq
\text{same mechanism}.
}
$$

---

# 151. TCD-07 的入口

下一篇：

# **TCD-07 — Six-Way Temporal Coupling**
## **Past–Present–Future 六向耦合與時間位移算子**

將正式統一：

$$
\boxed{
\begin{array}{lll}
P\to N &: & Path\ Dependence / Historical\ Conditioning,\\
N\to F &: & Future\ Generation,\\
F\to N &: & Prospective\ Attraction,\\
N\to P &: & Historical\ Sedimentation,\\
P\to F &: & Historical\ Projection,\\
F\to P &: & Retrospective\ Relevance.
\end{array}
}
$$

並建立：

$$
\boxed{
\mathscr S:
(
\mathcal B_t^-,
\mathcal B_t^0,
\mathcal B_t^+
)
\rightarrow
(
\mathcal B_{t+1}^-,
\mathcal B_{t+1}^0,
\mathcal B_{t+1}^+
).
}
$$

---

# 152. 可否證條件

## F152.1 Relevance No-Gain

若 goal/future-conditioned reweighting 不改善：

- retrieval；
- planning；
- explanation；
- counterexample discovery；
- hypothesis revision；

則 Retrospective Relevance 應縮小 scope。

## F152.2 Fact Contamination

若 relevance update 會 silently rewrite historical content，

framework 失效。

## F152.3 Confirmation Capture

若 system 只 retrieve supportive history，

忽略 counterevidence，

不能稱 robust retrospective relevance。

## F152.4 Similarity Substitution

若 relevance 幾乎等同 embedding similarity，

結構／因果層沒有增量，

應簡化。

## F152.5 Reactivation Noise

若 archive reactivation 主要產生大量無關 past，

需提高 gate / compression。

## F152.6 Hindsight Bias

若 precursor 只在 outcome 發生後才被大量標記，

不得回頭宣稱 ex ante foresight。

## F152.7 Goal Relabel Abuse

若改 goal 會把 factual failure 偷換成 historical success claim，

必須保留 original task / original outcome label。

---

# 153. 結論

TCD-05 建立：

$$
\boxed{
PresentAction
\rightarrow
PastSediment.
}
$$

TCD-06 現在則問：

> **當新的 future 出現後，Past Sediment 中哪些東西會重新浮上來？**

答案不是：

$$
\boxed{
\text{未來改變了過去}.
}
$$

而是：

$$
\boxed{
\text{未來改變了現在對過去的索引方式}.
}
$$

歷史事件：

$$
h
$$

仍然是同一個：

$$
h.
$$

但：

$$
\boxed{
w_t(h\mid f)
}
$$

會因 future candidate：

$$
f
$$

改變。

這可以使：

- 舊失敗重新成為警告；
- 舊 prototype 重新成為 precursor；
- dormant skill 重新成為資產；
- lost alternative 重新成為 counterfactual；
- 舊 dependency 重新被辨認成 bottleneck；
- 過去被忽略的 evidence 重新進入 current reasoning。

因此：

$$
\boxed{
\textbf{The past is stable in content but dynamic in relevance.}
}
$$

中文：

> **過去在事實內容上可以穩定，但在現在的相關性上是動態的。**

而且真正成熟的 retrospective intelligence 不能只做：

$$
\boxed{
\text{find support}.
}
$$

它必須同時做：

$$
\boxed{
\text{find support}
+
\text{find counterevidence}
+
\text{find alternatives}.
}
$$

否則 Future：

$$
f
$$

很容易把整個 Past：

$$
P
$$

捕獲成：

> 一切早已注定走向 $f$。

這正是 TCD 必須避免的時間敘事陷阱。

到這一步，

六個方向的 coupling 已全部有各自機制雛型。

下一篇終於可以：

> **把整個三生認知耦合動力學寫成一個真正完整的更新系統。**

---

# Claim Typing

| Claim | Type | Status |
|---|---|---|
| Historical fact 與 current historical relevance 非同一 | D | Canonical separation |
| Future target 可條件化 Past retrieval / attention | D / E | Core TCD mechanism + external analogues |
| Relevance 應區分 causal / dependency / analogy / failure / alternative / evidence / reopening | D | Proposed taxonomy |
| Active Past 可由 future-conditioned relevance weights生成 | D | TCD formal scaffold |
| Relevant 不等於 supportive | D | Canonical audit rule |
| Mattar–Daw 模型按 future decision utility prioritizes memory access | E | External theoretical / neural calibration |
| Offline replay supports revaluation / replanning in human RL | E | External cognitive-neuroscience evidence |
| Prioritized Experience Replay changes past-sample priority by learning importance | E | External RL evidence |
| HER relabels fixed past trajectories relative to alternative goals | E | External RL evidence |
| New future target literally changes past event | — | Explicitly rejected |
| Current narrative may silently rewrite provenance | — | Explicitly rejected |

---

# Evidence Ladder

本文目前主要位於：

- **L0**：Retrospective Relevance formal definition；
- **L1–L2**：goal-conditioned retrieval、support/counter retrieval、reactivation、fact-preservation benchmarks；
- **L3**：prioritized replay、HER、human offline replay / revaluation 提供相鄰形式與經驗證據；
- **L4**：需要 persistent AI / research archive / institutional agent 做 long-horizon retrospective relevance experiments；
- **L5+**：六向耦合 unified dynamics 尚待 TCD-07。

---

# 參考文獻

## Neo.K 內部正典與譜系

1. Neo.K. *歷史作為狀態變量：路徑依賴、記憶增廣與複雜系統的動力身份*. 2026.
2. Neo.K with Aletheia. *Past Is Not Memory*. TCD-01, 2026.
3. Neo.K with Aletheia. *The Present Is Not a Point*. TCD-02, 2026.
4. Neo.K with Aletheia. *Future as a Generated Base Space*. TCD-03, 2026.
5. Neo.K with Aletheia. *Prospective Attraction*. TCD-04, 2026.
6. Neo.K with Aletheia. *Historical Sedimentation*. TCD-05, 2026.
7. Neo.K with Aletheia. *Generative Forecasting*. UCPNP Series II Paper 13, 2026.

## External technical calibration

8. Mattar, M. G., & Daw, N. D. *Prioritized memory access explains planning and hippocampal replay*. Nature Neuroscience 21, 1609–1617, 2018. DOI: 10.1038/s41593-018-0232-z.
9. Momennejad, I., Otto, A. R., Daw, N. D., & Norman, K. A. *Offline replay supports planning in human reinforcement learning*. eLife 7:e32548, 2018. DOI: 10.7554/eLife.32548.
10. Schaul, T., Quan, J., Antonoglou, I., & Silver, D. *Prioritized Experience Replay*. arXiv:1511.05952, 2015.
11. Andrychowicz, M., Wolski, F., Ray, A., et al. *Hindsight Experience Replay*. Advances in Neural Information Processing Systems 30, 2017.
12. Fang, M., Zhou, T., Du, Y., Han, L., & Zhang, Z. *Curriculum-guided Hindsight Experience Replay*. Advances in Neural Information Processing Systems 32, 2019.
13. Wimmer, G. E., & Shohamy, D. *Preference by Association: How Memory Mechanisms in the Hippocampus Bias Decisions*. Science 338, 270–273, 2012.

---

## Public Version Disclaimer

本文是一個 cognitive / agent-memory / temporal-dynamics framework。

本文不聲稱：

- future events physically alter earlier events；
- memory retrieval 等於客觀歷史；
- goal relabeling 能改變 actual past outcome；
- HER / PER / hippocampal replay 就是 TCD；
- current relevance score 等於 truth probability；
- historical precursor 可以只靠語義相似度判定；
- archived past 都應被永久保存；
- future narrative 有權壓制反例；
- 本文已完成全部 TCD 統一方程；
- 本文對 classical $P$ vs. $NP$ 提供任何新證明。

本文真正建立的是：

$$
\boxed{
\mathcal B_t^+
\rightarrow
\operatorname{Reweight}
(
\mathcal B_t^-
)
}
$$

的 epistemic / retrieval coupling，

以及：

$$
\boxed{
\text{Past Content}
\text{ may remain stable while }
\text{Past Relevance}
\text{ changes}.
}
$$